L’IA entraîne la plus grande transformation du rôle de directeur financier en 20 ans

Au cours de sa carrière, Brad Wolfe a occupé trois postes de CFO au sein d'entreprises cotées au NASDAQ. Il est aujourd'hui le fondateur de Wolfe Packs Consulting, où il accompagne des entreprises soutenues par des fonds de capital-investissement dans le segment inférieur du marché intermédiaire. Il enseigne également dans plusieurs universités.

Nous nous sommes entretenus avec lui pour comprendre comment l'IA transforme le poste de CFO. Voici ce qu'il nous a expliqué.

Ce que cette période de transformation par l'IA exige

J'ai consacré la première moitié de ma carrière à effectuer le travail que la plupart des CFO délèguent. Trois postes de CFO au sein d'entreprises cotées au NASDAQ, plus de 80 transactions de M&A, plus de 50 implémentations de systèmes d'entreprise dans les domaines de l'ERP, du CRM, de la facturation et de l'entreposage de données. Une expérience chez PwC, un JD et un MBA de Kellogg. J'ai siégé face à des comités d'audit, signé les certifications 302 et conclu des transactions lors desquelles la qualité des données était suffisamment préoccupante pour me pousser à revoir le prix.

La raison de ma présence ici est simple : j'ai vu l'IA être confiée aux mauvaises personnes. Non pas parce que les professionnels de la technologie sont incompétents — ils ne le sont pas — mais parce que les questions soulevées par l'IA ne sont pas des questions technologiques. Ce sont des questions d'allocation du capital. Ce sont des questions de responsabilité. Ce sont les questions qui arrivent déjà sur le bureau du CFO lorsque les résultats de l'IA sont erronés et que quelqu'un certifie ce qui a été produit.

Je dirige désormais Wolfe Packs Consulting, où je travaille avec des entreprises soutenues par des fonds de capital-investissement dans le segment inférieur du marché intermédiaire. Ma thèse centrale est que le poste de CFO — ou le poste de COFO, comme je l'appelle lorsque le mandat opérationnel est intégré — est le seul poste de direction qui détient déjà le modèle financier, les contrôles, l'exposition liée aux certifications et la relation avec le conseil d'administration. La gouvernance de l'IA n'a pas besoin d'un nouveau titre. Le poste existant doit revendiquer le périmètre en amont des résultats produits.

C'est là que se concentre mon travail. Et c'est ce que cette période exige.

Mettre en place ce qui est nécessaire

J'interviens en tant que partenaire opérationnel et CFO intégré au sein d'entreprises soutenues par des fonds de capital-investissement dans le segment inférieur du marché intermédiaire. L'engagement type concerne une entreprise réalisant entre 20 millions et 500 millions de dollars de chiffre d'affaires, soutenue par un fonds qui vient soit de conclure la transaction, soit d'atteindre 12 à 18 mois de détention et réalise que la fonction finance n'est pas structurée pour la prochaine étape.

La complexité varie, mais le schéma est constant : des structures multi-entités, souvent issues d'une stratégie de consolidation, avec des équipes financières conçues pour un modèle opérationnel mono-entreprise et désormais chargées de produire simultanément des rapports consolidés, une comptabilité d'intégration et une architecture de données prête pour l'IA. Aucune infrastructure de services partagés. Les rapports sont gérés dans des feuilles de calcul. Les CFO sont techniquement compétents, mais dépassés sur le plan opérationnel.

Mon rôle de COFO consiste à occuper le poste, à mettre en place ce qui est nécessaire et à transférer les compétences — qu'il s'agisse de construire le modèle financier, de séquencer les travaux sur les systèmes, de gérer la relation avec le conseil d'administration pendant une transition ou de définir la gouvernance de l'IA au sein d'une entreprise confrontée à une véritable complexité opérationnelle et à un fonds qui veut des réponses, pas des cadres théoriques.

Je travaille sur un seul engagement à la fois à ce niveau de profondeur. Je consacre le reste de mon temps au conseil, à l'écriture et à l'enseignement — à Northwestern, DePaul et Chicago Kent — car l'écart entre ce que le poste de CFO exige aujourd'hui et ce à quoi les responsables financiers sont formés est suffisamment important pour nécessiter une action à la fois au niveau des professionnels et de la relève.

Comment l'IA permet une modélisation financière intégrée

Le changement le plus concret que j'ai opéré au cours de l'année dernière concerne la manière dont je construis et actualise le modèle opérationnel et financier intégré.

Auparavant, la construction du modèle était un exercice périodique. Un cycle budgétaire produisait une version ; une nouvelle prévision la mettait à jour ; et une poignée de personnes comprenait la logique du modèle dans Excel. Au moment de la réunion du conseil d'administration, le modèle était déjà obsolète et le récit devait masquer les lacunes.

J'utilise désormais l'IA pour maintenir un modèle actualisé en continu, qui relie directement les facteurs opérationnels aux résultats financiers — chiffre d'affaires par cohorte, effectifs et coûts de main-d'œuvre, dépenses fournisseurs et marge par unité opérationnelle. Je ne reconstruis pas le modèle chaque trimestre. Je le maintiens comme un document vivant qui peut être interrogé en temps réel.

Les échanges avec le conseil d'administration ont changé en conséquence. Au lieu de présenter un instantané statique et de défendre ses hypothèses, je peux entrer en réunion et exécuter des scénarios dans la salle. Un fonds demande ce qui se passerait pour l'EBITDA si le principal client cessait sa relation — la réponse n'est pas « Je reviendrai vers vous ». Elle se trouve dans le modèle, et elle est à jour.

Ce changement a également influencé ma façon de concevoir la gouvernance de l'IA. Dès lors que les dirigeants prennent des décisions à partir d'un modèle assisté par l'IA, la qualité des données devient une question existentielle. Le modèle ne sait pas ce qui manque. Il exécute ses opérations à partir de ce qui est disponible. Cela m'a conduit à instaurer une discipline en matière de gouvernance des données et de documentation des processus dont la plupart des entreprises du segment inférieur du marché intermédiaire n'avaient jamais disposé.

L'IA n'a pas créé cette exigence. Elle a rendu coûteux le fait de l'ignorer.

Un processus d'analyse des écarts fondé sur l'IA

Voici comment l’analyse des écarts assistée par l’IA, connectée au modèle opérationnel et financier intégré, fonctionne de bout en bout.

Un processus documenté allant du prospect à l’encaissement constitue le fondement — chaque étape génératrice de revenus, de l’opportunité initiale jusqu’à l’encaissement, étant cartographiée dans ses systèmes. Ce processus doit exister avant l’ajout de la couche d’IA. Sans lui, le modèle ne dispose pas de la logique de processus nécessaire à la validation.

À partir de là, les systèmes ERP et CRM alimentent quotidiennement le modèle avec les données réelles. L’IA surveille les données entrantes par rapport aux tendances attendues — revenus par cohorte, calendrier des encaissements, dépenses par catégorie par rapport au budget — et signale les écarts dépassant les seuils définis. Elle ne signale que les écarts statistiquement significatifs ou qui s’éloignent des hypothèses relatives aux facteurs déterminants du modèle.

J’examine un signalement le jour même où il apparaît. L’IA a déjà retracé l’écart jusqu’à sa source — un client précis, un centre de coûts précis, un type de transaction précis — de sorte que l’examen n’est pas un exercice de recherche. Il s’agit d’un jugement : est-ce du bruit, une tendance ou un problème de contrôle nécessitant une remontée ?

Le résultat de cet examen alimente directement le récit présenté au conseil d’administration. Lorsque je prépare une réunion du conseil, je modifie l’analyse des écarts ; je ne la construis pas. Le modèle a déjà produit la première version du récit. Mon rôle consiste à valider la logique, à appliquer le jugement nécessitant un contexte opérationnel et à m’assurer de pouvoir certifier le récit que je présente.

La couche de gouvernance qui permet ce travail comprend : des responsables de données nommément désignés pour chaque système source, une procédure documentée de remontée des exceptions du modèle et une distinction claire entre ce que l’IA signale et ce que décide le directeur financier. L’IA ne prend pas la décision. Elle fait remonter les informations suffisamment rapidement pour permettre de décider avant que le problème ne s’aggrave.

Claude d’Anthropic est essentiel aux dirigeants financiers

Claude, le grand modèle de langage d’Anthropic, est mon outil de prédilection. Non pas parce qu’il est le seul modèle performant — ce n’est pas le cas — mais parce que je le trouve particulièrement utile pour les tâches importantes dans le contexte d’un directeur financier : le raisonnement approfondi, la synthèse d’informations financières et opérationnelles complexes, la rédaction de récits destinés au conseil d’administration et l’élaboration de cadres de gouvernance nécessitant une cohérence logique constante dans un document volumineux.

Il offre le plus de valeur dans un cas d’utilisation précis : la création et la mise à jour du briefing principal — un document évolutif qui suit chaque relation active, chaque fil de contenu, chaque décision terminologique et chaque élément en suspens dans le cadre de mes activités de conseil et de ma plateforme de contenu. Cette tâche ne tient pas dans une seule invite. Elle nécessite un modèle capable de conserver le contexte, de raisonner sur les dépendances et de produire un résultat cohérent avec les décisions prises précédemment au cours de la même session. C’est ici que la différence de qualité entre les modèles est la plus visible.

Pourquoi les directeurs financiers doivent défendre les décisions éclairées par l’IA

Brad partage

L’IA ne décide pas de l’allocation du capital, des jugements relatifs à la comptabilisation des revenus, de l’évaluation des risques présentée au conseil d’administration ni de quoi que ce soit nécessitant une certification. Ces décisions restent explicitement humaines…

Mais le point le plus important n’est pas de savoir quels outils j’apprécie, mais ce que j’en fais.

L’IA éclaire l’analyse des écarts, la modélisation de scénarios, les prévisions, la reconnaissance des tendances des flux de trésorerie et la première version de presque tout résultat analytique. Il s’agit de domaines où le volume de données dépasse ce qu’un analyste humain peut traiter efficacement et où la valeur réside dans la mise en évidence du signal, plutôt que dans l’exécution des calculs par une personne.

L’IA ne décide pas de l’allocation du capital, des jugements relatifs à la comptabilisation des revenus, de l’évaluation des risques présentée au conseil d’administration ni de quoi que ce soit nécessitant une certification. Ces décisions restent explicitement humaines — non pas parce que l’IA serait incapable de produire une réponse, mais parce que cette réponse entraîne des conséquences juridiques et fiduciaires qui doivent relever en dernier ressort d’une personne nommément désignée, capable de la défendre dans le cadre d’un examen contradictoire.

La plupart des directeurs financiers gèrent actuellement mal la couche intermédiaire — les résultats assistés par l’IA qui éclairent les décisions sans responsabilité explicite quant à ces résultats. Une analyse des écarts qui alimente un récit destiné au conseil d’administration. Des projections de flux de trésorerie qui orientent les discussions relatives aux clauses restrictives. Ces éléments ne sont pas anodins. Le directeur financier qui laisse l’IA éclairer ces résultats sans architecture de gouvernance couvrant la qualité des données, la validation du modèle et la certification des résultats signe un formulaire 302 sur un chiffre qu’il ne peut pas expliquer entièrement. Ce n’est pas un problème d’IA. C’est un problème de contrôle.

L’IA présente de grands avantages et de grands risques

Commençons par les résultats positifs.

La réduction du délai de clôture est le résultat le plus visible. Lorsque nous avons correctement séquencé le travail sur les données avant de déployer les rapports assistés par l’IA, le délai de clôture mensuelle a considérablement diminué — dans un cas, il est passé de 18 jours à 9. Ce n’est pas de la magie ; cela se produit lorsque les données sont suffisamment propres pour que l’automatisation fonctionne sans intervention manuelle à chaque étape.

La précision des prévisions s’est améliorée d’une manière différente de ce à quoi je m’attendais. L’amélioration ne concernait pas la précision des chiffres, mais la rapidité des révisions. Lorsque les résultats réels divergent du plan, le modèle identifie l’écart et le relie à son facteur déterminant en quelques heures plutôt qu’en quelques jours. Le directeur financier n’est pas en train d’expliquer un écart lors de la réunion du conseil d’administration. Il en gère déjà les conséquences.

Le résultat qualitatif le plus important : la conversation avec le conseil d’administration a changé. Lorsque le modèle est à jour et que les scénarios sont préparés à l’avance, le sponsor pose de meilleures questions et le directeur financier apporte de meilleures réponses. Cela change la relation.

Passons maintenant aux aspects négatifs.

La réussite de l’IA exige une bonne infrastructure de données

Le mode d’échec le plus fréquent que j’ai observé consiste à déployer l’IA sur un problème de données dont l’organisation ignorait l’existence.

Chaque directeur financier qui lance une initiative d’IA pense que ses données sont dans un état raisonnable — l’ERP fonctionne depuis plusieurs années, le plan comptable est standardisé, le CRM est renseigné — mais c’est presque toujours faux. Les évaluations de la qualité des données reflètent généralement l’apparence des données pour les personnes qui les ont saisies, et non celle qu’elles présentent à un modèle qui tente de les utiliser.

Les problèmes ont toujours été là — catégorisation incohérente, processus non documentés, politiques de reconnaissance du chiffre d’affaires approuvées lors d’une réunion du conseil d’administration mais jamais configurées dans le système de facturation, et fiches clients comportant trois versions du même nom. L’équipe financière a appris à les contourner. L’IA, elle, ne le peut pas.

Ainsi, l’IA ne signale pas les mauvaises données. Elle les traite avec assurance et produit des résultats qui semblent faire autorité. Une équipe financière qui fait confiance aux résultats sans comprendre les données d’entrée se trouve dans une situation plus dangereuse qu’une équipe utilisant des feuilles de calcul — car, avec les feuilles de calcul, quelqu’un sait généralement au moins où les problèmes sont dissimulés.

Ce que j’ai appris, c’est que la gouvernance des données doit être le premier livrable, et non une condition préalable que tout le monde accepte en principe avant de l’ignorer en pratique. Cela signifie cartographier le processus du lead à l’encaissement avant de sélectionner un outil d’IA — chaque transfert, chaque point de contact avec un système, chaque endroit où les données changent de main et peuvent être mal codées, mal définies ou perdues.

Attribuez ensuite un responsable identifié à chaque couche — non pas un service, mais une personne — et documentez ce à quoi doit ressembler une situation correcte à chaque étape. Cela implique de désigner des responsables pour chaque domaine de données, de documenter les définitions de chaque indicateur que le modèle utilisera et de rapprocher ce que prévoit la politique de ce que fait réellement le système — avant de sélectionner l’outil d’IA, et non après son déploiement.

Le coût d’une erreur ne se limite pas au nettoyage des données. Il comprend la réformation, la revalidation, la perte de confiance dans les résultats et, dans certains cas, la nécessité de retraiter les comptes. Ce coût ne figurait pas dans le dossier d’investissement. Il n’y figure jamais.

L’IA échoue si aucun responsable n’est désigné

Le deuxième échec tient au retard de la gouvernance — et au refus de désigner un responsable.

L’adoption de l’IA dans la finance s’enlise le plus souvent non pas parce que la technologie est inadaptée ou que sa mise en œuvre est complexe, mais parce que personne dans l’organisation n’a reçu — ou revendiqué — l’autorité nécessaire pour prendre les décisions qu’exige le déploiement de l’IA.

Lorsque l’organisation se rend compte qu’elle a besoin d’une gouvernance documentée des données, de personnes chargées des approbations et d’une procédure d’escalade pour les exceptions du modèle, l’IA est déjà intégrée à des flux de travail que personne ne comprend totalement. Mettre en place une gouvernance après coup est nettement plus difficile et plus coûteux que de la construire avant le déploiement.

Qui définit à quoi les données doivent ressembler avant que le modèle ne les traite ? Qui approuve les exceptions lorsque le modèle produit un résultat qui ne correspond pas à la politique ? Qui est responsable lorsque l’analyse assistée par l’IA éclaire une décision qui s’avère erronée ?

Ce ne sont pas des questions technologiques. Ce sont des questions d’autorité. Et dans la plupart des organisations, elles reçoivent la même réponse que toutes les autres questions d’autorité inconfortables : un comité.

Pourquoi l’IA n’est pas à la hauteur dans l’analyse des fournisseurs et la stratégie

L’IA n’a pas tenu ses promesses dans l’analyse des contrats fournisseurs et le renseignement achats. La promesse était que l’IA ferait ressortir les possibilités d’économies enfouies dans les clauses contractuelles, identifierait les dépenses en double et signalerait les conditions de renouvellement défavorables avant leur échéance. En pratique, les données qui alimentent ces outils sont presque toujours trop incomplètes ou trop peu fiables pour produire des résultats exploitables.

Les contrats sont stockés dans des fichiers PDF à la mise en forme incohérente, les fiches fournisseurs contiennent trois versions du nom d’un même fournisseur, et la catégorisation des dépenses, qui était censée être standardisée, ne l’a jamais réellement été. L’IA produit un rapport qui nécessite une validation manuelle, laquelle prend plus de temps que l’analyse initiale elle-même.

Je constate le même schéma partout : l’outil fonctionne lors de la démonstration parce que nous avons préparé les données de démonstration. Il donne des résultats insuffisants en production parce que nous n’avons pas préparé les données de production.

Comment l’IA redéfinit les équipes financières et les besoins en compétences

Brad partage

Les équipes financières traditionnelles étaient organisées autour des effectifs…L’IA automatise une part importante de ce travail.

L’IA modifie la composition des équipes financières d’une manière que la plupart des organigrammes n’ont pas encore intégrée.

Les équipes financières traditionnelles étaient organisées autour d’effectifs comprenant un contrôleur financier, une équipe de comptables, un ou deux analystes FP&A et un directeur financier qui les supervisait tous. Cette structure supposait que des humains effectuaient des tâches répétitives et volumineuses : clôturer les comptes, rapprocher les comptes, établir des rapports d’écarts et tenir à jour le modèle budgétaire.

L’IA automatise une part importante de ce travail. La question n’est pas de savoir si les effectifs évoluent. Les organisations doivent plutôt reconnaître que la main-d’œuvre financière comprend désormais quatre catégories distinctes, chacune nécessitant des modes de gestion, de gouvernance et des structures de coûts différents : les salariés, les agents d’IA, les prestataires et les consultants.

La plupart des organisations financières utilisent ces quatre catégories sans reconnaître la distinction. Un agent d’IA qui traite des factures n’est pas un salarié. Il n’a pas de responsable au sens propre. Il a quelqu’un qui est propriétaire du processus — quelqu’un qui définit ses paramètres, valide ses résultats et assume la responsabilité des traitements incorrects. Les organisations doivent désigner cette personne responsable. La plupart ne l’ont pas encore fait.

Je vois la combinaison des compétences évoluer : les tâches transactionnelles à fort volume sont transférées aux agents. Le travail humain restant exige du discernement, du contexte et de la responsabilité — le directeur financier qui certifie les résultats, le contrôleur qui sait où sont enterrés les problèmes dans les données et l’analyste qui comprend pourquoi le modèle produit un chiffre qui ne correspond pas à la réalité de l’entreprise.

Dans trois ans, les équipes financières les plus efficaces seront celles qui auront délibérément repensé dès maintenant l’architecture de leur main-d’œuvre — et non celles qui auront réduit leurs effectifs en espérant que les agents combleront le vide.

Comment l’IA a élargi le mandat des directeurs financiers

Beaucoup pensent que le poste de directeur financier se rétrécit. L’IA automatise la clôture, le rapprochement, l’analyse des écarts et la première version du discours destiné au conseil d’administration. Les effectifs nécessaires au fonctionnement d’une direction financière diminuent. L’argument semble aller de soi.

Mais je pense que le poste s’élargit, et que les directeurs financiers qui le comprennent sont ceux qui définiront ce que sera cette fonction au cours de la prochaine décennie.

Voici pourquoi. L’IA automatise le travail courant. Ce qu’elle ne peut pas automatiser, c’est la structure de responsabilité qui rend les résultats exploitables — l’architecture de gouvernance qui détermine si les résultats de l’IA peuvent être certifiés, le discernement en matière d’allocation du capital qui permet de décider quel scénario mettre en œuvre, la relation avec le conseil qui rend la recommandation crédible et la signature SOX 302 qui associe le nom d’un être humain aux conséquences lorsque quelque chose tourne mal.

Tout cela se concentre vers le sommet. Le niveau de conseil de confiance de la fonction financière — le directeur financier qui est responsable du modèle intégré, gouverne les résultats de l’IA et assume l’exposition fiduciaire — ne diminue pas. Il devient plus important à mesure que croît le volume de résultats générés par l’IA nécessitant une certification humaine.

Les directeurs financiers qui perdront du terrain ont construit leur identité autour de tâches en voie d’automatisation. Ceux qui en gagneront revendiqueront le mandat en amont des résultats — gouvernance des données, architecture des processus, gouvernance de l’IA en tant que fonction liée au capital — avant que quelqu’un d’autre ne comble le vide.

Ce moment ne constitue pas une menace pour le poste de directeur financier. Il s’agit de la plus grande extension de mandat que cette fonction ait connue en vingt ans. La plupart des directeurs financiers ne l’ont pas encore compris.

Pourquoi les directeurs financiers doivent réorienter leur attention dès maintenant

Alors, mes conseils ? Trois choses, par ordre d'importance.

1. Commencez par maîtriser l'architecture. Le directeur financier qui attend qu'un outil d'IA révèle les problèmes de données a déjà pris du retard. La gouvernance des données, la documentation des processus et l'harmonisation des systèmes sont des prérequis, pas des sous-produits. Si vous ne savez pas qui est responsable de chaque domaine de données, ce que prévoit la politique de comptabilisation des produits dans le système de facturation et comment fonctionne votre processus du prospect à l'encaissement de bout en bout, vous n'êtes pas prêt à déployer l'IA. Vous êtes prêt à financer le nettoyage qui suit un déploiement raté.
2. Revendiquer le mandat en amont des résultats. La gouvernance de l'IA arrive sur le bureau du directeur financier, qu'il l'ait demandée ou non. L'exposition liée à la certification au titre de SOX 302, les questions du conseil d'administration concernant le risque lié aux modèles et les décisions d'allocation du capital autour des contrats avec les fournisseurs d'IA — tout cela relève déjà de la fonction du directeur financier. Le directeur financier qui considère l'IA comme un problème informatique abandonne volontairement le territoire qui définira la prochaine version de la fonction. Le directeur financier qui prend en charge le modèle opérationnel et financier intégré, le processus du prospect à l'encaissement et l'architecture de gouvernance qui rend les résultats certifiables ne se contente pas de survivre à ce moment. Le conseil d'administration et le sponsor compteront sur ce directeur financier à mesure que les enjeux augmenteront.
3. Ne construisez pas votre identité professionnelle autour d'un travail qui est en train d'être automatisé. La clôture, les comptes fournisseurs, les rapprochements et les rapports de base — tout cela se standardise. Le directeur financier qui a bâti sa crédibilité entièrement autour de l'exécution de la clôture verra cette crédibilité se vider de sa substance plus rapidement que ne changera la description du poste. Le travail qui prend de la valeur est celui qui ne peut pas être standardisé : le jugement en matière d'allocation du capital, la confiance du conseil d'administration, l'architecture de gouvernance et la capacité à certifier que ce que le modèle a produit est quelque chose que vous êtes prêt à signer de votre nom.

Ce moment ne constitue pas une menace pour la fonction de directeur financier. Il s'agit d'une extension de son mandat. Les directeurs financiers qui le comprennent ainsi définiront ce que sera cette fonction au cours de la prochaine décennie.

Suivez l'actualité

Vous pouvez suivre le travail de Brad Wolfe sur LinkedIn et découvrir Wolfe Packs Consulting.

D'autres entretiens d'experts seront bientôt disponibles sur The CFO Club !